SSD模型训练技巧

训练参数调整
描述：训练参数对收敛速度以及最终精度有影响。
措施：了解每个参数的背后的数学意义，改变参数，进行对比实验。

2、数据集样本总量
描述：训练模型所使用的数据集样本量越多，效果越好。
措施：一边训练一边增加样本量，尤其是样本量相对较低的某一类。样本可以手工做，也可以找公开的数据集。

3、样本的类别
描述：对于样本类别的划分会对结果产生影响。
措施：减少样本种类。例如将长头发、短头发、帽子合并为一类。

4、图框的长宽比
描述：不同样本resize成统一大小之后会丢失信息，对结果造成影响。
措施：阅读SSD论文或其他资料，确定SSD根据图框产生正样本的机制，如果有影响，则将图框统一改成固定长宽比之后再训练。

5、负样本的产品
描述：图像中存在半个目标的情况，可能会被SSD当作负样本进行训练。
措施：阅读SSD论文或其他资料，确定SSD负样本产生机制，如果有影响，则要将图片中存在半个目标的样本全部去掉，再试验。

6、输入图像的长宽和模型输入长宽的关系
描述：模型输入长宽是否跟输入图像的长宽有关。
措施：改变模型的输入长宽，观察结果变化。

7、对模型检测错误的样本进行增强
描述：误检，漏检，框不准，以及概率过低的目标，需要进行增强。
措施：得到一个初步稳定的模型之后，用模型去检测每一张输入样本图像，人工筛选出上述检测不合格的样本图像，用这些样本对原有数据集进行增强（会产生重复的数据，需要重命名），再训练，再看结果。

8、准确率测试方法：
描述：准确率的判定会影响对模型好坏的判断。
措施：必须从一开始就要固定一个准确率测试的方法。同类实验用同一标准判定结果好坏。